CN116237947A - 机器人控制方法、系统、表面处理设备及存储介质 - Google Patents

Abstract

本发明实施例提供一种机器人控制方法、系统、表面处理设备及存储介质；机器人控制方法包括：获取多源的信息数据，其中信息数据包括机器人视觉图像、反馈的接触力、关节位置；通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中状态估计模型包括第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型被配置成具备不同的输出特性；利用修正因子模型通过接触力推导机器人的第二预测状态，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；将目标预测状态转换为控制量控制机器人运作。

Description

机器人控制方法、系统、表面处理设备及存储介质

技术领域

本发明属于机器人智能化控制设计领域，尤其是涉及一种机器人控制方法、系统、表面处理设备及存储介质。

背景技术

目前的机器人控制模型，其控制系统可以描述为摄像头采样眼在手上、即通过手眼标定，控制结构采样双闭环的基于图像的控制方法，双闭环不同于传统机械臂双闭环控制系统，内环关节闭环控制系统为速度环，控制关节的转动角速度，外环为视觉跟踪控制器，反馈信号是目标在终像空间中的位置、速度与期望值的误差；这些反馈信号反馈给视觉跟踪控制器，由视觉跟踪控制器预估出下一时刻目标姿态并转换为关节控制量，由该控制量控制关节速度环驱动机械臂运动。

但是该类方式比较适合理想环境的控制，在实际作业过程中由于机器人的移动过程中受到各种环境的影响，如作业过程中产生的粉尘、碎屑及外部光照所引起的图像识别所反馈的信息失效，导致上述模型所输出的机器人的姿态和位置的预测误差极大，同时通常在机器人末端存在外力对机器人的干扰，从而在很多作业环境下的效率和可靠性均不高。

发明内容

为解决现有技术中提出的技术问题，本发明提供了一种基于卡尔曼滤波算法的机器人控制方法、系统、表面处理设备及存储介质。以实现在机器人作业时，可在恶劣环境、动态受力较高、或者干扰项较多时；如市面上的打磨机器人、切削、铣削机器人、涂覆机器人等等，同样实现高效且精准的控制。

在本申请的第一方面提供一种机器人控制方法，机器人控制方法包括：获取多源的信息数据，其中信息数据包括机器人视觉图像、反馈的接触力、关节位置；通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中状态估计模型包括第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型被配置成具备不同的输出特性；利用修正因子模型通过接触力推导机器人的第二预测状态，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；将目标预测状态转换为控制量控制机器人运作。

在本申请进一步的方案中，通过状态估计模型读取信息数据，输出机器人的第一预测状态包括：将信息数据同时输入状态估计模型获得多个输出结果；结合信息数据确定作业状态，并根据作业状态在多个输出结果中获得最佳的输出结果；将最佳的输出结果作为第一预测状态。

在本申请进一步的方案中，将信息数据同时输入第一卡尔曼滤波算法模型获得多个输出结果包括：获取信息数据的当前状态并通过预测函数预测下一时刻的第一状态值；预测估计协方差矩阵；根据滤波增益矩阵获得滤波增益矩阵；根据第一状态值、滤波增益矩阵获得最终的滤波状态结果；计算估计协方差矩阵并执行迭代，在迭代次数达到总迭代次数时输出第一结果。

在本申请进一步的方案中，将信息数据同时输入第二卡尔曼滤波算法模型获得多个输出结果包括：获取信息数据中的状态并计算sigma点；通过预设的状态估计函数并输入sigma点获取状态方程；根据状态方程进行方差估计及获取量测方程；测量更新滤波增益；根据滤波增益获取当前时刻状态值；根据当前时刻状态值进行当前时刻方差估计并执行迭代，在迭代次数达到总迭代次数时输出第二结果。

在本申请进一步的方案中，过状态估计模型读取信息数据，输出机器人的第一预测状态包括：根据信息数据确定机器人当前的作业阶段；根据作业阶段计算多个输出结果的影响因子；将影响因子排序对比获得最佳的输出结果。

在本申请进一步的方案中，利用修正因子模型通过接触力推导机器人的第二预测状态包括：读取接触力并计算接触力所产生的加速度；根据加速度和初速度获取第一预测状态对应时刻的速度值；根据速度值获取第一预测状态对应时刻的第二预测状态。

在本申请进一步的方案中，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态包括：对第二预测状态和第一预测状态进行平均、求极值、回归计算、加权融合、求中值的任一者。

本申请第二方面提供一种机器人控制系统，该机器人控制系统包括：信息读取模块，用于读取多源的信息数据，其中信息数据包括机器人视觉图像、反馈的接触力、关节位置；状态预测模块，通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中状态估计模型为第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合模型，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型具备不同的输出特性；修正因子模块，用于通过接触力推导机器人的第二预测状态，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；运动控制模块，用于将目标预测状态转换为控制量控制机器人运作。

本申请第三方面提供一种表面处理设备，表面处理设备包括：机器人，具备多自由度的机械臂及末端执行机构，末端执行机构包括安装底座及清理刀盘组，清理刀盘组设置在安装底座的多面；图像采集机构，安装在末端执行机构上，用于获取机器人视觉图像；传感器组，传感器组设置在机器臂及末端执行机构上，传感器组包括力反馈传感器，力反馈传感器设置在末端执行机构和机械臂的连接处，用于获取接触力；控制器，控制器被配置成执行为：获取待清理物的图像；根据图像计算运行轨迹；控制清理刀盘组根据运行轨迹依次启动对待清理物进行表面处理；其中，在控制清理刀盘组根据运行轨迹依次启动对待清理物进行表面处理时通过上述的机器人控制方法进行驱动。

在本申请进一步的方案中，该表面处理设备为用于阳极炭碗的打磨设备。

在本申请进一步的方案中，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态为：对第二预测状态和第一预测状态进行求和得到目标预测状态。

在本申请进一步的方案中，力反馈传感器为六维力传感器，清理刀盘组包括侧面清理刀盘、顶部清理刀盘及碗口清理刀盘，顶部清理刀盘和碗口清理刀盘设置在安装底座的同一侧，末端执行机构还包括合金刀具，合金刀具设置在顶部清理刀盘的内侧，力反馈传感器设置在安装底座背离顶部清理刀盘的一面上。

最终，本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或多个程序可被一个或者多个处理器执行，以实现如上的机器人控制方法。

有益效果：

本发明实施例所提供的机器人控制方法、系统、表面处理设备及存储介质，具体来说是机器人的一种多源驱动方式；在机器人的控制方法中，通过获得多源的数据信息，在卡尔曼滤波算法模型的基础上创立状态估计模型，根据状态估计模型输出机器人的第一预测状态；随后利用修正因子模型分析机器人的受力，推导机器人的第二预测状态；根据第一预测状态和第二预测状态进行逻辑运算最终得到目标预测状态。融合了观测数据与估计数据，对误差进行闭环管理，即使在机器人控制时存在不确定信息的动态影响，仍然可将误差降低并限制在一定范围。

另者，状态估计模型融合第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型，根据第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的输出特性可在当下环境对被控对象永远给出综合的最佳的估计和评价；在作业精度和效率上给出合适选择。

最后通过接触力反馈，修正因子模型将移动机器人运动过程中的受力情况与滤波算法相结合，可以提高算法的精确度，降低累积误差。

本发明实施例的其他特征和优点将在随后的具体实施方式部分予以说明。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的机器人控制方法的流程图；

图2为本发明实施例所提供的状态估计模型的架构示意图；

图3为本发明实施例所提供的机器人控制方法中步骤S2的流程图；

图4为本发明实施例所提供的机器人控制方法中步骤S22的流程图；

图5为本发明实施例所提供的机器人控制方法中第一卡尔曼滤波算法模型和第二卡尔曼滤波算法模型的总流程图；

图6为本发明实施例所提供的机器人控制方法中步骤S21关联第一卡尔曼滤波算法模型的流程图；

图7为本发明实施例所提供的机器人控制方法中步骤S21关联第二卡尔曼滤波算法模型的流程图；

图8为本发明实施例所提供的机器人控制方法中步骤S22的流程图；

图9为本发明实施例所提供的机器人控制系统的系统连接拓扑图；

图10为本发明实施例所提供的一种表面处理设备的结构示意图。

附图标记

机器人控制系统； 101、信息读取模块；

状态预测模块； 103、修正因子模块；

104、运动控制模块； 200、表面处理设备；

末端执行机构； 211、安装底座；

清理刀盘组； 2121、侧面清理刀盘；

顶部清理刀盘； 2123、碗口清理刀盘；

合金刀具。

具体实施方式

为了使本发明的上述以及其他特征和优点更加清楚，下面结合附图进一步描述本发明。应当理解，本文给出的具体实施例是出于向本领域技术人员解释的目的，仅是示例性的，而非限制性的。

【总发明构思】

承前，为解决现有技术中所存在的技术问题，即在特定环境下通过图像识别的闭环控制的误差较大，同时外力导致机器人精度和效率不高，本发明实施例提供一种新的机器人控制方法。旨在提供一种更高效率和精准的驱动方式。

经由本申请的发明人悉心研究过程中发现，基于卡尔曼滤波模型进行改进，根据其输出特性进行融合，可以极大提高机器人运作的效率；同时将移动机器人运动过程中的受力情况与滤波算法相结合，可以提高算法的精确度，降低累积误差。因此，在作业时引人修正因子，机器人运动过程中所受外力建立力感知模型，模型相互融合形成多源感知信息融合模型。即作为本发明实施例的总发明构思。

可以理解，对于大多数实际的控制而言，并不是一个严格的线性时变系统，亦或系统结构参数的不确定性，导致估计的状态值 存在偏差，而这个偏差值由过程噪声来表征；卡尔曼滤波模型的原理就是利用卡尔曼增益来修正状态预测值，使其逼近真实值。对于卡尔曼滤波模型的原理本发明实施例不予过多阐述。

【一种基于卡尔曼滤波算法的机器人控制方法】

请参阅图1，图1为本发明实施例所提供的机器人控制方法的流程图；在本发明实施例中机器人控制方法包括：

步骤S1、获取多源的信息数据，其中信息数据包括机器人视觉图像、反馈的接触力、关节位置；

步骤S2、通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中状态估计模型为第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合模型，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型被配置成具备不同的输出特性；

步骤S3、利用修正因子模型通过接触力推导机器人的第二预测状态，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；

步骤S4、将目标预测状态转换为控制量控制机器人运作。

可以理解，在步骤S1中所提到的获取多源的信息数据，控制器通过串口、通信接口等读取传感器、图像采集设备、激光采集等信息采集设备，获得多种信息数据；

请参阅图2，图2为本发明实施例所提供的状态估计模型的架构示意图；本领域技术人员应当理解，在步骤S2中的状态估计模型；通过获取目标状态，生成对应的控制算法，同时作用于控制对象后，通过多源的信息数据进行状态估计后进行反馈调节。

示例性的如：控制机器人的末端沿X向前进0.1m（目标状态）、控制算法给出前进指令（控制算法）、控制对象实际前进（执行控制）、通过信息数据观测到系统实际前进的距离（机器人控制），根据实际前进的距离进行下一时刻的前进运动量估计（状态估计，即第一预测状态），随后反馈给控制算法。

根据前述，现有的状态估计模型根据图像识别的闭环控制的误差很大，根据卡尔曼滤波算法模型的多源融合，结合卡尔曼滤波算法模型的输出特性实现高智能化的控制闭环。

简单理解为：以打磨机器人为例，通常的运行逻辑是机器人携带清理刀盘移动至待清理物处，然后运行清理刀盘按照预设的轨迹进行表面打磨。此时最佳的期望为：清理刀盘在进行打磨清理期间时，当然需要更精准的反馈控制同时又要一定的效率，从而获得更精良的产品；而到了切换打磨位置或者停止清理刀盘进行复位移动时，当然希望是更快的反馈控制。而现有方式的闭环控制，其既无法在非打磨期间的快速反馈又缺乏高精密度。

由此，在本方案中首次提出一种第一卡尔曼滤波算法模型和第二卡尔曼滤波算法模型的融合模型，再配合修正因子模型消除累计误差；

在上述所提到的“输出特性”，是依赖不同卡尔曼滤波算法模型其具备的特性而定；其中第一卡尔曼滤波算法模型和第二卡尔曼滤波算法模型分别为卡尔曼滤波算法模型（用KF替代，下同）、自适应卡尔曼滤波模型（用AKF模型替代，下同）、扩展卡尔曼滤波模型（用EKF模型替代，下同）及无迹卡尔曼滤波（用UKF模型替代、下同）改进后的任一者，使得其可以同时兼容且具备不同的输出特性。示例性的如：EKF模型滤波速度比UKF模型快很多，但UKF模型的滤波精度和鲁棒性要比EKF模型好，不同的卡尔曼滤波模型具备不用的输出特性。因此步骤S2的状态估计模型根据机器人实际的使用，甄选所需的第一卡尔曼滤波算法模型和第二卡尔曼滤波算法模型，提出综合性能更好的新型滤波方法，实现多源感知信息融合。

当然，第二卡尔曼滤波算法模型和第二卡尔曼滤波算法模型仅作为示例，其可不限定模型数量。

其中在第一卡尔曼滤波算法和第二卡尔曼滤波算法的融合中，根据融合模型所处理的信息层面可分为原始数据层融合、特征层融合和决策层融合3种方式；可以理解，针对在本发明实施例所提供的机器人控制方法中，由于原始数据层所包含的特性不一致，信息跨度大，很难对其直接关联，因此不易进行原始数据层融合。另外，机器人轨迹规划和柔顺控制可通过多指标反映，如果利用决策层融合，就需要有这些指标与先验知识组成的庞大数据库。由此本发明实施例优选采用将特征层融合，即把原始数据经特征处理，送入第一卡尔曼滤波算法模型和第二卡尔曼滤波算法模型中进行分析和综合，完成对被测对象的综合评价，这种方式不仅保留了足够数量的原始信息，又实现了一定的数据压缩，有利于实时处理。

可以理解的是，上述的信息数据需要实现异步更新，在对信息数据进行融合的过程中，每个信息数据都会存在误差，且服从高斯分布。首先对于每个传感器所测量得到的数据可能不一致，例如机器人视觉图像、速度传感器所获取的加速度、接触力等，因此需要现将其数据格式保持一致。相当于所有采集设备所获得信息数据的高斯分布的均值代表相同的含义，为同一种真值。

在步骤S3中，根据力学和运动学观点，对状态估计模型进一步做出改进。即利用修正因子模型通过接触力推导机器人的第二预测状态，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态，该步骤为本控制方法的核心步骤，主要在于消除累计误差，获取更精准和高效的控制指令。

进一步地，“逻辑运算”指代将第二预测状态和第一预测状态进行平均、求极值、回归计算、加权融合、求中值的任一者，以得到目标预测状态。

其中，第二预测状态和第一预测状态的逻辑运算根据机器人的加工类型制定，如在切削机器人中，通常以最小值为主，以保证足够的切削余量，避免损害工件。而在打磨机器人种，可以以均值，提高其打磨的精度。

在步骤S4将目标预测状态转换成驱动机器人的控制量。从而实现高效且精准的控制。该步骤为本领域人员常用手段，本申请不予以阐述。

以下通过具体实施例对本发明实施例所提出的步骤进行详细描述：

请参阅图3，图3为本发明实施例所提供的机器人控制方法中步骤S2的流程图；在步骤S2中通过状态估计模型读取信息数据，输出机器人的第一预测状态包括：

步骤S21、将信息数据同时输入状态估计模型获得多个输出结果；

步骤S22、结合信息数据确定作业状态，并根据作业状态在多个输出结果中获得最佳的输出结果；

步骤S23、将最佳的输出结果作为第一预测状态。

可以理解的是，第一卡尔曼算法模型和第二卡尔曼算法可以输出多个输出结果，该输出结果为均为下一时刻的预测值，即第一预测状态；即图2中所示的“状态估计”处，可得到多个输出结果。

进一步地，请参阅图4，图4为本发明实施例所提供的机器人控制方法中步骤S22的流程图；

步骤S22中结合信息数据确定作业状态，并根据作业状态在多个输出结果中获得最佳的输出结果包括：

步骤S221、根据信息数据确定机器人当前的作业阶段；

步骤S222、根据作业阶段计算多个输出结果的影响因子；

步骤S223、将影响因子排序对比获得最佳的输出结果。

可以理解，在状态估计模型此时需要在此结合信息数据判断作业状态，对于简单的工业机器人，该作业状态可简化为“移动中”，“作业中”；对于复杂的机器人可以设置更多的作业状态；其判断的依据为信息数据，简单的示例如：力反馈传感器检测机器人末端受力即为作业中，反之即为移动中。

计算作业状态和输出结果的影响因子，该影响因子可以预先标定，示例性的如：将EKF的输出结果标记为一类输出结果；UKF模型的输出结果标记为二类输出结果...；其中作业状态为“作业中”时，对应一类输出结果的影响因子为0.1、对应二类输出结果的影响因子为0.3；通过不断叠加累计获得总的影响因子，对总的影响因子最终进行排序获得最佳的输出结果；该方式主要在于对提高机器人控制过程的效率和精度，具体可参照上述所提到的打磨机器人示例。

在一些简单的控制中，根据数据信息确定作业状态和在不同作业状态下选择最佳的输出结果也可以通过映射模型实现。

请继续参阅图5~图7，图5为本发明实施例所提供的机器人控制方法中第一卡尔曼滤波算法模型和第二卡尔曼滤波算法模型的总流程图，图6为本发明实施例所提供的机器人控制方法中步骤S21关联第一卡尔曼滤波算法模型的流程图；图7为本发明实施例所提供的机器人控制方法中步骤S21关联第二卡尔曼滤波算法模型的流程图；

步骤S21中将信息数据同时输入第一卡尔曼滤波算法模型获得多个输出结果包括：

步骤S211、获取信息数据的当前状态并通过预测函数预测下一时刻的第一状态值；

步骤S212、预测估计协方差矩阵；

步骤S213、根据滤波增益矩阵获得滤波增益矩阵；

步骤S214、根据第一状态值、滤波增益矩阵获得最终的滤波状态结果；

步骤S215、计算估计协方差矩阵并执行迭代，在迭代次数达到总迭代次数时输出第一结果。

结合图5和图7对第一卡尔曼滤波算法模型进行公式说明：

其中

为信息数据的初始状态，/>

为初始状态对应的协方差矩阵。

对应步骤S211中获取信息数据的当前状态并通过预测函数预测下一时刻的第一状态值为：

其中，用k-1时刻信息数据所反馈的当前状态

预测k时刻的第一状态值/>

,其中f为预测函数。

对应步骤S212中预测估计协方差矩阵为：

其中，

为k-1时刻的后验估计误差协方差矩阵；度量估计值的精确程度；/>

为k-1时刻到k时刻的估计误差协方差矩阵；/>

为状态转移矩阵；/>

为/>

的转置

为过程噪声协方差矩阵，越大说明越不相信预测。

对应步骤S213中所提到的获取滤波增益矩阵：

其中，

为最优卡尔曼增益；/>

为测量噪声协方差矩阵，越大说明越不相信观测；

为观测矩阵, />

为/>

的转置。

步骤S214中获取滤波状态结果：

其中，

为更新状态估计方程，也就是最终的滤波状态结果；/>

为状态估计转移方程；/>

。

步骤S215中计算估计协方差矩阵：

:

其中，

为单位矩阵。

进一步地，步骤S21将信息数据同时输入第二卡尔曼滤波算法模型获得多个输出结果包括：

步骤S211'、获取信息数据中的状态并计算sigma点；

步骤S212'、通过预设的状态估计函数并输入sigma点获取状态方程；

步骤S213'、根据状态方程进行方差估计及获取量测方程；

步骤S214'、测量更新滤波增益；

步骤S215'、根据滤波增益获取当前时刻状态值；

步骤S216'、根据当前时刻状态值进行当前时刻方差估计并执行迭代，在迭代次数达到总迭代次数时输出第二结果。

结合图6和图7对第二卡尔曼滤波算法模型进行公式说明：

同理，

为信息数据的初始状态，/>

为初始状态对应的协方差矩阵。

步骤S211'中计算sigma点：

其中，n表示状态量的个数;

表示采样点距离均值的距离，距离越远权重越小。/>

是方差矩阵;

在步骤S212'中通过预设的状态估计函数并输入sigma点获取状态方程：

，/>

其中，

为状态估计函数；/>

为零均值；/>

为均值权值。

在步骤S213'中根据状态方程进行方差估计及获取量测方程：

:

其中，

为方差权值；/>

过程噪声协方差矩阵；/>

为状态值。

量测方程

, />

其中，

为量测函数；/>

为零均值；/>

为测向量。

在步骤S214'中根据滤波增益获取当前时刻状态值：

其中，

为滤波增益；/>

为k时刻的估计方差；/>

在步骤S215'中当前时刻状态值：

其中，

为k时刻量测值与k-1时刻量测值的差；/>

为k-1时刻状态值。

请参阅图8，图8为本发明实施例所提供的机器人控制方法中步骤S22的流程图；

步骤S3中利用修正因子模型通过接触力推导机器人的第二预测状态包括：

步骤S31、读取接触力并计算接触力所产生的加速度；

步骤S32、根据加速度和初速度获取第一预测状态对应时刻的速度值；

步骤S33、根据速度值获取第一预测状态对应时刻的第二预测状态。

可以理解，根据力学和运动学观点，机器人在作业或者移动过程受到的外力取决于自身产生的驱动力和外界所施加上的摩擦力，研究表明：

摩擦力与速度为正比关系，二者方向相反，即

；

驱动力与最大速度为正比关系，即

；

摩擦力等于驱动力时，速度稳定且达到最大值。

由此，移动机器人受到的外力N以及N所产生的加速度可表示为

公式 1

公式 2

本发明实施例假定当前初速度为

，积分可得t时刻的速度/>

，对/>

积分可得位移/>

，即：

公式3

公式4

对应上述，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态包括：

将公式4中所得结果，即上述所提到的第二预测状态，和第一预测状态进行平均、求极值、回归计算、加权融合、求中值的任一者。以得到目标预测状态，即修改后的机器人位置预测值。

综上，本发明实施例所提供一种本发明实施例所提供的机器人控制方法、系统及表面处理设备，具体来说是机器人的一种多源驱动方式；在机器人的控制方法中，通过获得多源的数据信息，在卡尔曼滤波算法模型的基础上创立状态估计模型，根据状态估计模型输出机器人的第一预测状态；随后利用修正因子模型分析机器人的受力，推导机器人的第二预测状态；根据第一预测状态和第二预测状态进行逻辑运算最终得到目标预测状态。融合了观测数据与估计数据，对误差进行闭环管理，即使在机器人控制时存在不确定信息的动态影响，仍然可将误差降低并限制在一定范围。另者，状态估计模型融合第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型，根据第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的输出特性可在当下环境对被控对象永远给出综合的最佳的估计和评价；在作业精度和效率上给出合适选择。最后通过接触力反馈，修正因子模型将移动机器人运动过程中的受力情况与滤波算法相结合，可以提高算法的精确度，降低累积误差。

【机器人控制系统】

请参阅图9，图9为本发明实施例所提供的机器人控制系统100的系统连接拓扑图。

本发明实施例二提供一种用于待检测工件的机器人控制系统100，该机器人控制系统100包括：

信息读取模块101，用于读取多源的信息数据，其中信息数据包括机器人视觉图像、反馈的接触力、关节位置；

状态预测模块102，通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中状态估计模型为第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合模型，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型具备不同的输出特性；

修正因子模块103，用于通过接触力推导机器人的第二预测状态，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；

运动控制模块104，用于将述目标预测状态转换为控制量控制机器人运作。

可以理解，该机器人控制系统通过将上述方法实施例中的机器人控制方法，通过编译代码的形式封装在各个不同的模型，以执行上述的功能。该检测系统需要利用到上述方法实施例所提到的具体的步骤中的模型，关于具体方法在此处不赘述。

进一步，本领域技术人员应当理解，如果将本发明实施例所提供的机器人控制系统100各产品所涉及到的全部或部分子模块通过稠合、简单变化、互相变换等方式进行组合、替换，如各组件摆放移动位置；或者将其所构成的产品一体设置；或者可拆卸设计；凡组合后的组件可以组成具有特定功能的设备／装置／系统，用这样的设备／装置／系统代替本发明相应组件同样落在本发明的保护范围内。

【应用实施例：用于阳极炭块的表面处理设备】

应用场景：

在预焙阳极的生产中，为防止其炭碗变形和表面氧化，焙烧前需对炭碗进行填充，并在炉室内对生阳极炭块四周用冶金焦进行覆盖。在焙烧过程中随着温度的升高，构成阳极炭块的原料石油焦和煤沥青发生理化性质变化，致使炭碗内填充物和其四周覆盖的冶金焦牢固粘附在阳极炭块表面，为达到销售要求，出炉的炭块需要进行清理。部分厂家虽然采用专用的打磨装置或者工业机器人进行炭块清理作业，其存在精度无法保证且效率过低等问题。

请参阅图10，图10为本发明实施例所提供的一种表面处理设备的结构示意图；本发明实施例基于上述的机器人控制方法，提出一种表面处理设备200，准确来说为一种打磨机器人，表面处理设备200包括：

机器人，具备多自由度的机械臂（未示出）及末端执行机构21，末端执行机构21包括安装底座211及清理刀盘组212，清理刀盘组212设置在安装底座211的多个面上；

图像采集机构（未示出），安装在末端执行机构21上，用于获取机器人视觉图像；

传感器组（未示出），传感器组设置在机器臂及末端执行机构21上，传感器组包括力反馈传感器，力反馈传感器设置在末端执行机构和机械臂的连接处，用于获取接触力；

控制器，控制器被配置成:

获取待清理物的图像；

根据图像计算运行轨迹；

控制清理刀盘组根据运行轨迹依次启动对待清理物进行表面处理；

其中，在控制清理刀盘组根据运行轨迹依次启动对待清理物进行表面处理时通过上述实施例所提到的机器人控制方法进行驱动。

具体地，在清理刀盘组不开启时可获得更快的响应速度，在清理刀盘组对预焙阳极加工时，可获得更好的精准度。

在本发明实施例中，通过第二预测状态和第一预测状态进行逻辑运算以得目标预测状态为：

对第二预测状态和第一预测状态进行求和。从而消除累计误差且提高作业速率。

在本发明实施例中，力反馈传感器为六维力传感器，可以提供x、y、z三个方向的力和力矩，六维力传感器可提供3~10倍过载保护功能，IP65防护等级。

进一步地，清理刀盘组212包括侧面清理刀盘2121、顶部清理刀盘2122及碗口清理刀盘2123，顶部清理刀盘2122和顶部清理刀盘2122设置在安装底座211的同一侧。

可以理解，侧面清理刀盘2121、顶部清理刀盘2122及碗口清理刀盘2123用于分别对预焙阳极的多面进行打磨；末端执行机构21还包括合金刀具213，合金刀具213设置在顶部清理刀盘2122的内侧，用于在预焙阳极的顶部加工注液孔。

进一步地，安装底座211背离顶部清理刀盘的一面设置有力反馈传感器安装盘，力反馈传感器连接在力反馈传感器安装盘上，用于测量各个方向上的刀盘的接触力。

基于本方案所提供的机器人自动打磨技术，相比同类表面处理设备和打磨机器人，明显提高了企业所生产的预焙阳极产品合格率，通过人工复核系统的检测结果表明，本系统的打磨效率可较现有技术提高30%以上，打磨质量和精度更好。本发明实施例所提供的表面处理设备已成功应用于国内多家炭素厂，其机器人自动打磨产线合计产量170万吨/年，总产值达128.41亿/年，通过大幅度降低生产成本和人工成本，每年可为企业增加利润共850万元。同时减少能源消耗和炭排放，经济、社会效益显著。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种机器人控制方法，其特征在于，所述机器人控制方法包括：

获取多源的信息数据，其中所述信息数据包括机器人视觉图像、反馈的接触力、关节位置；

通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中所述状态估计模型包括第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型被配置成具备不同的输出特性；

利用修正因子模型通过所述接触力推导机器人的第二预测状态，通过所述第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；

将所述目标预测状态转换为控制量控制所述机器人运作。

2.根据权利要求1所述的机器人控制方法，其特征在于，所述通过状态估计模型读取信息数据，输出机器人的第一预测状态包括：

将所述信息数据同时输入状态估计模型获得多个输出结果；

结合信息数据确定作业状态，并根据作业状态在多个输出结果中获得最佳的输出结果；

将所述最佳的输出结果作为第一预测状态。

3.根据权利要求2所述的机器人控制方法，其特征在于，将所述信息数据同时所述输入第一卡尔曼滤波算法模型获得多个输出结果包括：

获取所述信息数据的当前状态并通过预测函数预测下一时刻的第一状态值；

预测估计协方差矩阵；

根据滤波增益矩阵获得滤波增益矩阵；

根据所述第一状态值、滤波增益矩阵获得最终的滤波状态结果；

计算估计协方差矩阵并执行迭代，在迭代次数达到总迭代次数时输出第一结果。

4.根据权利要求3所述的机器人控制方法，其特征在于，将所述信息数据同时所述输入第二卡尔曼滤波算法模型获得多个输出结果包括：

获取所述信息数据中的状态并计算sigma点；

通过预设的状态估计函数并输入所述sigma点获取状态方程；

根据所述状态方程进行方差估计及获取量测方程；

测量更新滤波增益；

根据所述滤波增益获取当前时刻状态值；

根据所述当前时刻状态值进行当前时刻方差估计并执行迭代，在迭代次数达到总迭代次数时输出第二结果。

5.根据权利要求3所述的机器人控制方法，其特征在于，所述通过状态估计模型读取信息数据，输出机器人的第一预测状态包括：

根据所述信息数据确定机器人当前的作业阶段；

根据所述作业阶段计算多个输出结果的影响因子；

将影响因子排序对比获得最佳的输出结果。

6.根据权利要求3所述的机器人控制方法，其特征在于，所述利用修正因子模型通过所述接触力推导机器人的第二预测状态包括：

读取所述接触力并计算所述接触力所产生的加速度；

根据加速度和初速度获取第一预测状态对应时刻的速度值；

根据速度值获取第一预测状态对应时刻的第二预测状态。

7.根据权利要求1~6任一项所述的机器人控制方法，其特征在于，所述通过所述第二预测状态和第一预测状态进行逻辑运算以得所述目标预测状态包括：

对所述第二预测状态和第一预测状态进行平均、求极值、回归计算、加权融合、求中值的任一者。

8.一种机器人控制系统，其特征在于，包括：

信息读取模块，用于读取多源的信息数据，其中所述信息数据包括机器人视觉图像、反馈的接触力、关节位置；

状态预测模块，通过状态估计模型读取信息数据，输出机器人的第一预测状态，其中所述状态估计模型为第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型的多源融合模型，其中第一卡尔曼滤波算法模型及第二卡尔曼滤波算法模型具备不同的输出特性；

修正因子模块，用于通过所述接触力推导机器人的第二预测状态，通过所述第二预测状态和第一预测状态进行逻辑运算以得目标预测状态；

运动控制模块，用于将所述目标预测状态转换为控制量控制所述机器人运作。

9.一种表面处理设备，其特征在于，所述表面处理设备包括：

机器人，具备多自由度的机械臂及末端执行机构，所述末端执行机构包括安装底座及清理刀盘组，所述清理刀盘组设置在所述安装底座的多面；

图像采集机构，安装在末端执行机构上，用于获取机器人视觉图像；

传感器组，所述传感器组设置在机器臂及所述末端执行机构上，所述传感器组包括力反馈传感器，所述力反馈传感器设置在末端执行机构和机械臂的连接处，用于获取接触力；

控制器，所述控制器被配置成执行为：

获取待清理物的图像；

根据图像计算运行轨迹；

控制清理刀盘组根据运行轨迹依次启动对所述待清理物进行表面处理；

其中，在控制清理刀盘组根据运行轨迹依次启动对所述待清理物进行表面处理时通过权利要求1~7任一项所述的机器人控制方法进行驱动。

10.根据权利要求9所述的表面处理设备，其特征在于，所述表面处理设备为用于阳极炭碗的打磨设备。

11.根据权利要求10所述的表面处理设备，其特征在于，通过所述第二预测状态和第一预测状态进行逻辑运算以得目标预测状态为：

对所述第二预测状态和第一预测状态进行求和得到目标预测状态。

12.根据权利要求11所述的表面处理设备，其特征在于，所述力反馈传感器为六维力传感器，所述清理刀盘组包括侧面清理刀盘、顶部清理刀盘及碗口清理刀盘，所述顶部清理刀盘和所述碗口清理刀盘设置在所述安装底座的同一侧，所述末端执行机构还包括合金刀具，所述合金刀具设置在顶部清理刀盘的内侧，所述力反馈传感器设置在所述安装底座背离顶部清理刀盘的一面上。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，一个或多个所述程序可被一个或者多个处理器执行，以实现如权利要求1~7任一项的机器人控制方法。

Images